
WeMM-Video-4B vs HiDream-O1-Video-1.0: due tipi di ristrettezza
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 182 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 356 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 147 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
HiDream-O1-Video-1.0 e WeMM-Video-4B entrambi si descrivono in modo più ampio di quanto si comportino. La release di lancio di HiDream pubblicizza un modello che accetta testo, immagini e video e restituisce da cinque a venti secondi di filmato 1080p con audio sincronizzato; l'API documentata accetta esattamente un'immagine di riferimento e un prompt opzionale. WeMM-Video-4B accetta testo, immagini, video e audio e restituisce testo, il che è accurato — e il modello non è disponibile tramite alcun servizio, quindi ciò che accetta in teoria lo si ottiene solo dopo aver applicato una patch al proprio motore di inferenza. Uno è limitato dal suo contratto di servizio, l'altro dal fatto di non avere alcun contratto di servizio. Questo è l'intero confronto, e tutto ciò che segue è dettaglio che ne dipende.
Nessuno dei due modelli è utilizzabile oggi nella modalità su cui il suo paper pone l'enfasi. Quanto questo conti dipende da quale metà del divario riesci a colmare da solo, e questa è una questione di licenze e GPU più che di qualità.
La riga, e la versione su cui si trova
HiDream-O1-Video-1.0 dispone di una misurazione indipendente. Letta il 20 novembre 2026, sulla AA-Video-I2V v2.1 classifica, si colloca al 14º posto con Elo 1.101 e un intervallo del 95 percento di ±14, ovvero un intervallo da 1.087 a 1.115, su 6.976 voti, registrato come rilascio di agosto 2026, a 5,80 $ al minuto di video generato.
Sei settimane prima, sulla classifica v1.0, lo stesso modello era sesto con 1.175 ±10 su 3.231 voti. Letto distrattamente, sembra un crollo. Non lo è, e vale la pena affermare chiaramente il motivo perché è l'errore più comune commesso con queste classifiche: v1.0 e v2.1 sono strumenti diversi con scale Elo diverse, bacini di voto diversi e una tassonomia diversa. Un punteggio non si trasferisce tra i due, quindi la distanza tra 1.175 e 1.101 non è una misura di quanto sia peggiorato il modello. Ciò che è cambiato è reale — il 14º posto è una posizione peggiore del 6º secondo le regole della classifica attuale — ma l'aritmetica che li collega non esiste.
WeMM-Video-4B non ha una riga su nessuna classifica, e l'assenza è strutturale anziché una revisione in sospeso. Le classifiche video AI valutano i filmati generati. Un modello che legge video e scrive frasi non può essere inserito in una votazione tra due clip. Finché non esisterà un'arena omni-modale di comprensione video, ogni numero di WeMM-Video-4B è di Tencent stessa.
Cosa accetta effettivamente l'API di HiDream
La superficie di serving è documentata ed è ristretta, in modi che corrispondono direttamente alle dichiarazioni di lancio.
• Input — esattamente un'immagine di riferimento, fornita come URL pubblico o Base64 tra 40 KB e 20 MB. Il prompt è facoltativo e il valore predefinito è vuoto. L'annuncio elenca il video tra gli input del modello; lo schema della richiesta non prevede alcun campo per esso.
• Risoluzione — nessun selettore. Il risultato mantiene le proporzioni dell'immagine di riferimento. L'affermazione 1080p nell'annuncio non è controllabile dalla richiesta.
• Durata — un booleano, force_10s, con valore predefinito false. Lasciato false, il modello sceglie; impostato true, si ottengono dieci secondi. L'intervallo pubblicizzato da cinque a venti secondi non ha alcun campo numerico.
• Audio — non è esposto alcun input audio né alcun parametro di generazione audio, nonostante l'audio sincronizzato nativo descritto dalla release.
• Contratto del risultato — asincrono. Invii, ottieni un task_id e esegui il polling. result.status = 1 significa che ogni sottoattività ha raggiunto uno stato terminale, non che la generazione sia riuscita; il successo è sub_task_results[].task_status = 1, con 3 per errore di generazione e 4 per revisione di sicurezza.
Quindi il modello che puoi chiamare è un animatore di immagini con due modalità di durata. Il modello descritto nel comunicato è un generatore congiunto testo-video-audio con durata pianificata. Entrambe le affermazioni sono documentate dalla stessa azienda, e la differenza è una roadmap più che una contraddizione.
Cosa ti chiede di costruire WeMM-Video-4B
L'altro lato non ha alcun vincolo a essere ristretto, perché non esiste un endpoint. WeMM-Video-4B ha 5.611.746.312 parametri — 10,45 GiB di pesi BF16 — ed è rilasciato con licenza Apache 2.0 in una famiglia di quattro dimensioni, tutte comparse in una finestra di diciannove minuti il 17 novembre 2026, con il rapporto tecnico, arXiv 2611.26409, pubblicato il 19 novembre.
Far sì che risponda richiede un lavoro che gli utenti di HiDream non vedono mai. Né vLLM né SGLang supportano l'architettura upstream; il repository fornisce patch di overlay del codice sorgente per quattro release upstream esatte — vLLM 0.18.0 e 0.31.0, SGLang 0.5.16 e 0.5.19 — ciascuna vincolata a una specifica combinazione di PyTorch, Transformers e CUDA 12.9, con Python 3.12, FFmpeg e una toolchain C++ più Ninja per la compilazione dei kernel al primo utilizzo di SGLang. Il bundle GGUF è creato per un runtime nativo che compili dal repository, non per llama.cpp, e Tencent lo etichetta come exported_unvalidated.
Quello che ottieni in cambio è un descrittore con uno stack audio insolitamente grande: 4,21 miliardi di parametri di un modello linguistico derivato da Qwen3.5-4B, 0,33 miliardi di vision tower e 1,07 miliardi di encoder-decoder audio in stile Whisper che alimenta un Q-Former a 10 token al secondo. Quasi un quinto del checkpoint è costituito da orecchie, ed è per questo che i suoi punteggi congiunti audio-visivi sono quelli interessanti.
Le modalità in cui viene confrontato ciascun modello
Un confronto equo, qui, non è «quale sia migliore» ma «quale modalità sia quella che riesci effettivamente a raggiungere», e le due risposte finiscono in punti diversi.
• HiDream-O1-Video-1.0 — modalità raggiungibile: image-to-video, un fotogramma di riferimento, proporzioni fisse, dieci secondi o a scelta del modello, nessun controllo audio. Modalità valutata: image-to-video. La board e l'API concordano.
• WeMM-Video-4B — modalità raggiungibile: video con traccia audio in ingresso, testo in uscita, a 16 frame campionati e 8.192 token come fornito. Modalità valutata: il paper riporta la modalità Thinking sulle tabelle video, Instruct sulla tabella audio e di nuovo Thinking su immagine e testo, e non indica il numero di frame né la lunghezza del contesto utilizzati.
• Entrambi — riportati dal fornitore laddove esista un dato, e nessuna terza parte ha riprodotto nessuno dei due. Il vantaggio di HiDream è che una configurazione è stata votata da persone che non lavorano per HiDream.


La questione audio, a cui solo una parte può rispondere
HiDream genera audio e WeMM-Video-4B lo comprende. In un elenco di funzionalità sembrano la stessa capacità, e non lo sono, e per un team che costruisce una pipeline la distinzione decide quale dei due sia persino rilevante.
Dal lato della generazione, l'annuncio di HiDream descrive un unico processo che modella insieme testo, video e audio invece di aggiungere il suono in un secondo momento, così che il movimento delle labbra, l'ambiente sonoro e l'azione fisica condividono una stessa linea temporale. Se poi sia possibile governare tutto questo è una questione a parte: la richiesta documentata non espone alcun parametro audio, e l'annuncio non pubblica un numero di tracce, per cui il dialogo, la musica e gli effetti come stem separabili restano non verificati su entrambi i fronti.
Sul fronte della comprensione, WeMM-Video-4B ottiene 83,9 su Video-MME con audio contro 77,3 di Qwen3-Omni-30B-A3B-Instruct e 69,2 di MiniCPM-o-4.5-9B, e 82,5 su Daily-Omni contro 70,7 e 80,2. Perde nei benchmark puramente audio contro un modello flash proprietario — MMAU 75,2 contro 80,4, MMAR 67,3 contro 74,0 — con una vittoria su MMAU-Pro a 68,1 contro 64,8. Sono i numeri di Tencent della Tabella 2, eseguiti in modalità Thinking, e nessuno fuori dal laboratorio li ha replicati.
Quindi il riassunto onesto è che un modello produce un suono che non puoi ancora ispezionare e l'altro ispeziona un suono che devi fornire. Nessuno dei due è lo strumento audio che una pipeline di produzione desidera, finché il primo non acquisisce un parametro audio e il secondo non acquisisce un host.
Dove un router può aiutare e dove non può
OrcaRouter non fornisce nessuno dei due modelli. Non esiste alcun endpoint WeMM — il catalogo non contiene alcun checkpoint WeMM — e nemmeno una rotta HiDream; HiDream-O1-Video-1.0 è raggiungibile tramite la piattaforma di HiDream stessa e diverse piattaforme di terze parti. Nulla di quanto segue afferma che ne ospitiamo uno.
Il punto in cui un router si guadagna il suo ruolo in questo confronto è la migrazione stessa, e lo strumento per farlo è il DSL di routing piuttosto che l'elenco dei modelli. Entrambi questi modelli si trovano dietro una superficie di serving visibilmente provvisoria — uno è un'anteprima a input singolo con un flag terminale a due stati, l'altro è un overlay di sorgente vincolato a release upstream specifiche — e uno stack che codifica in modo rigido una delle due è uno stack che si rompe alla nota di rilascio di qualcun altro. Una politica di routing che indica un primario e un fallback, e che può confrontare due modelli all'interno di una singola richiesta invece di due integrazioni, trasforma quel rischio in configurazione. Questo gira su un endpoint compatibile con OpenAI attraverso più di duecento modelli ai prezzi di listino del provider, con markup 0%, così una variazione di prezzo del fornitore si riflette lo stesso giorno. Per la parte solo vision del carico di lavoro WeMM, Qwen3-VL-235B-A22B-Thinking e Qwen3-VL-8B-Thinking sono entrambi ora sulla piattaforma — il che è un modo per aggirare il checkpoint omni mancante, non un sostituto della sua torre audio.

Con quale ristrettezza riesci a convivere
Se hai bisogno di filmati questo trimestre e una sola immagine di riferimento è sufficiente, HiDream-O1-Video-1.0 è l'unico dei due con un endpoint richiamabile, e i suoi vincoli sono documentati abbastanza bene da poterci integrare in un pomeriggio. Prevedi un budget di $5,80 al minuto, pianifica dieci secondi o la scelta del modello, e leggi lo stato del sottotask anziché il flag terminale.
Se devi sapere cosa c'è in un filmato che possiedi già — compreso ciò che viene detto sopra — WeMM-Video-4B è l'unico dei due in grado di rispondere, e il prezzo d'ingresso è un motore di inferenza con patch, un checkpoint da 10,45 GiB e un budget di campionamento di 16 frame che dovresti regolare prima di fidarti di un risultato su video lunghi.
Ciò che nessuno dei due ti offre è la cosa che una pagina di confronto di solito promette: un compito condiviso su cui classificarli. Non sono due risposte a una stessa domanda. Sono due modelli le cui superfici pubbliche sono entrambe più ridotte di quanto dicano i loro paper, e il giudizio ingegneristico utile è quale di queste lacune puoi colmare con il tuo hardware.
Confrontati in questo articolo1
Rilevato da questo articolo
